course/pr_1114/es/chapter1/10.md

Quiz de final de capítulo

¡Este capítulo cubrió una gran variedad de temas! No te preocupes si no entendiste todos los detalles; los siguientes capítulos te ayudarán a entender cómo funcionan las cosas detrás de cámaras.

Por ahora, ¡revisemos lo que aprendiste en este capítulo!

1. Explora el Hub y busca el punto de control roberta-large-mnli. ¿Qué tarea desarrolla?

<Question choices={[ { text: "Resumen", explain: "Vuelve a mirar en la <a href="https://huggingface.co/roberta-large-mnli\">página de roberta-large-mnli." }, { text: "Clasificación de texto", explain: " Más precisamente, clasifica si dos oraciones están relacionadas lógicamente a través de tres etiquetas (contradiction, neutral, entailment) - una tarea que también se conoce como inferencia de lenguaje natural.", correct: true }, { text: "Generación de texto", explain: "Vuelve a mirar en la <a href="https://huggingface.co/roberta-large-mnli\">página de roberta-large-mnli." } ]} />

2. ¿Qué devuelve el siguiente código?

from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")

<Question choices={[ { text: "Devuelve los puntajes de clasificación de esta oración, con las etiquetas "positive" o "negative".", explain: "Incorrecto - esto sería un pipeline de sentiment-analysis." }, { text: "Devuelve un texto generado que completa esta oración.", explain: "Incorrecto - esto sería un pipeline de text-generation." }, { text: "Devuelve las palabras que representan personas, organizaciones o ubicaciones.", explain: "Adicionalmente, con grouped_entities=True, agrupará las palabras que pertenecen a la misma entidad, como "Hugging Face".", correct: true } ]} />

3. ¿Qué debería reemplazar ... en este ejemplo de código?

from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")

<Question choices={[ { text: "This <mask> has been waiting for you.", explain: "Incorrecto. Revisa la ficha del modelo bert-base-cased e intenta identificar tu error." }, { text: "This [MASK] has been waiting for you.", explain: "¡Correcto! El mask token de este modelo es [MASK].", correct: true }, { text: "This man has been waiting for you.", explain: "Incorrecto. Este pipeline llena palabras ocultas, por lo que necesita un mask token en algún lugar." } ]} />

4. ¿Por qué fallará este código?

from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")

<Question choices={[ { text: "Este pipeline necesita que se le indiquen etiquetas para clasificar el texto.", explain: "Correcto — el código necesita incluir candidate_labels=[...].", correct: true }, { text: "Este pipeline requiere varias oraciones, no sólo una.", explain: "Incorrecto, aunque cuando se usa adecuadamente, este pipeline puede tomar una lista de oraciones para procesar (como todos los otros pipelines)." }, { text: "La librería 🤗 Transformers está dañada, como siempre.", explain: "¡No vamos a dignificar esta respuesta con un comentario!" }, { text: "Este pipeline necesita entradas más largas; esta oración es muy corta.", explain: "Incorrecto. Un texto muy largo se va a truncar cuando se procesa por este pipeline." } ]} />

5. ¿Qué significa "transferencia de aprendizaje"?

<Question choices={[ { text: "Transferir el conocimiento de un modelo preentrenado a un nuevo modelo, al entrenarlo en el mismo conjunto de datos.", explain: "No, eso sería dos versiones del mismo modelo." }, { text: "Transferir el conocimiento de un modelo preentrenado a un nuevo modelo al inicializar un segundo modelo con los pesos del primero.", explain: "Correcto: cuando el segundo modelo se entrena para una tarea nueva, éste *transfiere* el conocimiento del primero.", correct: true }, { text: "Transferir el conocimiento de un modelo preentrenado al construir el segundo modelo con la misma arquitectura del primero.", explain: "La arquitectura sólo es la forma en que el modelo se construye; en este caso no hay conocimiento compartido o transferido." } ]} />

6. ¿Verdadero o falso? Un modelo de lenguaje usualmente no necesita etiquetas para su preentrenamiento.

<Question choices={[ { text: "Verdadero", explain: "El preentrenamiento suele ser auto-supervisado, lo que significa que las etiquetas se crean automáticamente a partir de la entrada (como predecir la siguiente palabra o llenar palabras ocultas).", correct: true }, { text: "Falso", explain: "Esta no es la respuesta correcta." } ]} />

7. Selecciona la oración que describe mejor los términos "modelo", "arquitectura" y "pesos".

<Question choices={[ { text: "Si un modelo es un edificio, su arquitectura es el plano y los pesos son las personas que viven allí.", explain: "Siguiendo esta metáfora, los pesos serían los ladrillos y otros materiales usados para construir el edificio." }, { text: "Una arquitectura es un mapa para construir un modelo y sus pesos son las ciudades representadas en el mapa.", explain: "El problema de esta metáfora es que un mapa suele representar una realidad existente (sólo hay una ciudad en Francia llamada Paris). Para una arquitectura dada son posibles múltiples pesos." }, { text: "Una arquitectura es una sucesión de funciones matemáticas para construir un modelo y sus pesos son los parámetros de dichas funciones.", explain: "El mismo conjunto de funciones matemáticas (arquitectura) pueden usarse para construir diferentes modelos, usando diferentes parámetros (pesos).", correct: true } ]} />

8. ¿Cuál de los siguientes tipos de modelos usarías para completar una indicación con texto generado?

<Question choices={[ { text: "Un modelo de codificadores", explain: "Un modelo de codificadores genera una representación de la oración completa que es más adecuada para tareas como clasificación." }, { text: "Un modelo de decodificadores", explain: "Los modelos de decodificadores son perfectamente adecuados para la generación de texto de una indicación.", correct: true }, { text: "Un modelo secuencia a secuencia", explain: "Los modelos secuencia a secuencia son más adecuados para tareas en las que quieres generar oraciones en relación con las oraciones de entrada, no una indicación dada." } ]} />

9. ¿Cuál de los siguientes tipos de modelos usarías para resumir textos?

<Question choices={[ { text: "Un modelo de codificadores", explain: "Un modelo de codificadores genera una representación de la oración completa que es más adecuada para tareas como clasificación." }, { text: "Un modelo de decodificadores", explain: "Los modelos de decodificadores son buenos para generar salidas de texto (como resúmenes), pero no tienen la habilidad de explotar un contexto como el texto completo para resumir." }, { text: "Un modelo secuencia a secuencia", explain: "Los modelos secuencia a secuencia son perfectamente adecuados para una tarea de resumen.", correct: true } ]} />

10. ¿Cuál de los siguientes tipos de modelos usarías para clasificar texto de acuerdo con ciertas etiquetas?

<Question choices={[ { text: "Un modelo de codificadores", explain: "Un modelo de codificadores genera una representación de la oración completa que es perfectamente adecuado para una tarea como clasificación.", correct: true }, { text: "Un modelo de decodificadores", explain: "Los modelos de decodificadores son buenos para generar textos de salida, no extraer una etiqueta de una oración." }, { text: "Un modelo secuencia a secuencia", explain: "Los modelos secuencia a secuencia son más adecuados para tareas en las que quieres generar texto con base en una oración de entrada, no una etiqueta." } ]} />

11. ¿Cuál puede ser una posible fuente del sesgo observado en un modelo?

<Question choices={[ { text: "El modelo es una versión ajustada de un modelo preentrenado y tomó el sesgo a partir de allí.", explain: "Cuando se aplica la Transferencia de Aprendizaje, el sesgo en el modelo preentrenado se manifiesta en el modelo ajustado.", correct: true }, { text: "Los datos con los que se entrenó el modelo están sesgados.", explain: "Esta es la fuente más obvia de sesgo, pero no la única.", correct: true }, { text: "La métrica que el modelo estaba optimizando está sesgada.", explain: "Una fuente menos obvia de sesgo es la forma en que fue entrenado el modelo. El modelo va a optimizar ciegamente cualquier métrica que escojas, sin pensarlo dos veces.", correct: true } ]} />